earticle

영어

Artificial intelligence technologies for pet skin image diagnosis is still in its infancy. Especially, it remains unsolved to remove abundant hairs from pet skin images. In this paper, we evaluated the applicability of two deep learning models, including U-net and LadderNet, for hair segmentation as an essential preprocessing step for hair removal in pet microscopic skin images, and we compared their performance with an existing method based on image processing. In particular, those models were trained not only with pet and human skin images but also with synthetic skin images of fake hairs. In experimental results, the performance of LadderNet for hair segmentation in pet skin images, measured as F1-score, accuracy and AUC, was superior to U-net as well as the image processing method when it was trained with the pet skin image dataset. On the other hand, training both models with synthetic skin images was effective not in real skin images but in synthetic skin images.

한국어

인공지능 기반 반려동물 피부영상 진단기술은 전세계적으로 아직 초기단계에 머물러 있다. 특히 풍성한 털로 덮인 반려동물의 피부영상에서 털을 제거하는 것은 해결되지 않은 기술적 난제로 남아 있다. 본 논문은 반려동물 고배율 피부영상에서 털 제거를 위한 필수적인 전처리 단계로서 털 영역을 분할하기 위해 딥러닝 모델인 U-net과 LadderNet의 적용 가능성을 시험하고 기존의 영상처리 기반 털 영역분할 알고리즘과 성능을 비교 분석한다 (Ronneberger et al. 2015, Zhuang 2018). 반려동물 피부영상 뿐만 아니라 사람 피부영상, 가짜털을 생성한 합성영상을 이용하여 딥러닝 모델을 훈련한 효과도 분석하였다. 실험 결과, 반려동물 피부영상 데이터셋을 사용하여 훈련된 LadderNet이 반려동물 피부영상에 대하여 기존 영상처리 기반 방법 및 U-net보다 더 높은 F1-score, 정 확도 및 AUC 값을 보였다. 반면 합성영상을 사용한 모델 훈련은 실제 피부영상에 대해서는 성능 개선 효과가 없었 지만 합성영상에 대해서는 좋은 성능을 보였다.